思维导图备注

深度学习之PyTorch物体检测实战
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第3篇 物体检测的难点与发展

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-25 02:21:42
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 前言
  • 第1篇 物体检测基础知识
    • 1.1 深度学习与计算机视觉
      • 1.1.1 发展历史
      • 1.1.2 计算机视觉
    • 1.2 物体检测技术
      • 1.2.1 发展历程
      • 1.2.2 技术应用领域
      • 1.2.3 评价指标
    • 第2章 PyTorch基础
      • 2.1 基本数据：Tensor
        • 2.1.1 Tensor数据类型
        • 2.1.2 Tensor的创建与维度查看
        • 2.1.3 Tensor的组合与分块
        • 2.1.4 Tensor的索引与变形
        • 2.1.5 Tensor的排序与取极值
        • 2.1.6 Tensor的自动广播机制与向量化
        • 2.1.7 Tensor的内存共享
      • 2.2 Autograd与计算图
        • 2.2.1 Tensor的自动求导：Autograd
        • 2.2.2 计算图
        • 2.2.3 Autograd注意事项
      • 2.3 神经网络工具箱torch.nn
        • 2.3.1 nn.Module类
        • 2.3.2 损失函数
        • 2.3.3 优化器nn.optim
      • 2.4 模型处理
        • 2.4.1 网络模型库：torchvision.models
        • 2.4.2 加载预训练模型
        • 2.4.3 模型保存
      • 2.5 数据处理
        • 2.5.1 主流公开数据集
        • 2.5.2 数据加载
        • 2.5.3 GPU加速
        • 2.5.4 数据可视化
      • 2.6 总结
    • 1.3 PyTorch简介
      • 1.3.1 诞生与特点
      • 1.3.2 各大深度学习框架对比
      • 1.3.3 为什么选择PyTorch
      • 1.3.4 安装方法
    • 第3章 网络骨架：Backbone
      • 3.1 神经网络基本组成
        • 3.1.1 卷积层
        • 3.1.2 激活函数层
        • 3.1.3 池化层
        • 3.1.4 Dropout层
        • 3.1.5 BN层
        • 3.1.6 全连接层
        • 3.1.7 深入理解感受野
        • 3.1.8 详解空洞卷积（Dilated Convolution）
      • 3.2 走向深度：VGGNet
      • 3.3 纵横交错：Inception
      • 3.4 里程碑：ResNet
      • 3.5 继往开来：DenseNet
      • 3.6 特征金字塔：FPN
      • 3.7 为检测而生：DetNet
      • 3.8 总结
    • 1.4 基础知识准备
      • 1.4.1 Linux基础
      • 1.4.2 Python基础
      • 1.4.3 高效开发工具
    • 1.5 总结
  • 第2篇 物体检测经典框架
    • 第4章 两阶经典检测器：Faster RCNN
      • 4.1 RCNN系列发展历程
        • 4.1.2 端到端：Fast RCNN
        • 4.1.3 走向实时：Faster RCNN
      • 4.2 准备工作
      • 4.3 Faster RCNN总览
      • 4.4 详解RPN
        • 4.4.1 理解Anchor
        • 4.4.2 RPN的真值与预测量
        • 4.4.3 RPN卷积网络
        • 4.4.4 RPN真值的求取
        • 4.4.5 损失函数设计
        • 4.4.6 NMS与生成Proposal
        • 4.4.7 筛选Proposal得到RoI
      • 4.5 RoI Pooling层
      • 4.6 全连接RCNN模块
        • 4.6.1 RCNN全连接网络
        • 4.6.2 损失函数设计
      • 4.7 Faster RCNN的改进算法
        • 4.7.1 审视Faster RCNN
        • 4.7.2 特征融合：HyperNet
        • 4.7.3 实例分割：Mask RCNN
        • 4.7.4 全卷积网络：R-FCN
        • 4.7.5 级联网络：Cascade RCNN
      • 4.8 总结
    • 第5章 单阶多层检测器：SSD
      • 5.1 SSD总览
        • 5.1.2 代码准备工作
      • 5.2 数据预处理
        • 5.2.1 加载PASCAL数据集
        • 5.2.2 数据增强
      • 5.3 网络架构
        • 5.3.1 基础VGG结构
        • 5.3.2 深度卷积层
        • 5.3.3 PriorBox与边框特征提取网络
        • 5.3.4 总体网络计算过程
      • 5.4 匹配与损失求解
        • 5.4.1 预选框与真实框的匹配
        • 5.4.2 定位损失的计算
        • 5.4.3 难样本挖掘
        • 5.4.4 类别损失计算
      • 5.5 SSD的改进算法
        • 5.5.2 特征融合：DSSD
        • 5.5.3 彩虹网络：RSSD
        • 5.5.4 基于SSD的两阶：RefineDet
        • 5.5.5 多感受野融合：RFBNet
      • 5.6 总结
    • 第6章 单阶经典检测器：YOLO
      • 6.1 无锚框预测：YOLO v1
        • 6.1.1 网络结构
        • 6.1.2 特征图的意义
        • 6.1.3 损失计算
      • 6.2 依赖锚框：YOLO v2
        • 6.2.1 网络结构的改善
        • 6.2.2 先验框的设计
        • 6.2.3 正、负样本与损失函数
        • 6.2.4 正、负样本选取代码示例
        • 6.2.5 工程技巧
      • 6.3 多尺度与特征融合：YOLO v3
        • 6.3.1 新网络结构DarkNet-53
        • 6.3.2 多尺度预测
        • 6.3.3 Softmax改为Logistic
      • 6.4 总结
  • 第3篇 物体检测的难点与发展
    • 第7章 模型加速之轻量化网络
      • 7.1 压缩再扩展：SqueezeNet
        • 7.1.1 SqueezeNet网络结构
        • 7.1.2 SqueezeNet总结
      • 7.2 深度可分离：MobileNet
        • 7.2.1 标准卷积
        • 7.2.2 深度可分离卷积
        • 7.2.3 MobileNet v1结构
        • 7.2.4 MobileNet v1总结
        • 7.2.5 MobileNet v2
      • 7.3 通道混洗：ShuffleNet
        • 7.3.1 通道混洗
        • 7.3.2 网络结构
        • 7.3.3 ShuffleNet v2
      • 7.4 总结
    • 第8章 物体检测细节处理
      • 8.1 非极大值抑制：NMS
        • 8.1.1 NMS基本过程
        • 8.1.2 抑制得分：Soft NMS
        • 8.1.3 加权平均：Softer NMS
        • 8.1.4 定位置信度：IoU-Net
      • 8.2 样本不均衡问题
        • 8.2.1 不均衡问题分析
        • 8.2.2 在线难样本挖掘：OHEM
        • 8.2.3 专注难样本：Focal Loss
      • 8.3 模型过拟合
        • 8.3.1 数据增强
        • 8.3.2 L1与L2正则化
      • 8.4 总结
    • 第9章 物体检测难点
      • 9.1 多尺度检测
        • 9.1.1 多尺度问题
        • 9.1.2 降低下采样率与空洞卷积
        • 9.1.3 Anchor设计
        • 9.1.4 多尺度训练
        • 9.1.5 特征融合
        • 9.1.6 尺度归一化：SNIP
        • 9.1.7 三叉戟：TridentNet
      • 9.2 拥挤与遮挡
        • 9.2.1 遮挡背景
        • 9.2.2 排斥损失：Repulsion Loss
        • 9.2.3 OR-CNN
      • 9.3 总结
    • 第10章 物体检测的未来发展
      • 10.1 重新思考物体检测
        • 10.1.1 精度与速度的权衡
        • 10.1.2 卷积网络的可解释性与稳定性
        • 10.1.3 训练：微调还是随机初始化
        • 10.1.4 考虑物体间关系的检测
        • 10.1.5 优化卷积方式
        • 10.1.6 神经架构搜索：NAS
        • 10.1.7 与产业结合的创新
      • 10.2 摆脱锚框：Anchor-Free
        • 10.2.1 重新思考Anchor
        • 10.2.2 基于角点的检测：CornerNet
        • 10.2.3 检测中心点：CenterNet
        • 10.2.4 锚框自学习：Guided Anchoring
      • 10.3 总结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《深度学习之PyTorch物体检测实战》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度